एक अध्ययन में एआई प्रणाली स्वयं को मानव मस्तिष्क की तरह बनने के लिए व्यवस्थित करती है
कैम्ब्रिज विश्वविद्यालय के वैज्ञानिकों ने कृत्रिम बुद्धिमत्ता प्रणाली पर भौतिक बाधाएँ डालीं, ठीक उसी तरह जैसे मानव और अन्य जानवरों के मस्तिष्क को भौतिक और जैविक दोनों संरचनाओं के साथ विकसित और संचालित करना पड़ता है। इसके बाद सिस्टम ने कार्यों को हल करने के लिए जटिल जीवों के मस्तिष्क की कुछ विशेषताएं विकसित कीं।
नेचर मशीन इंटेलिजेंस जर्नल में आज प्रकाशित एक अध्ययन में, कैम्ब्रिज विश्वविद्यालय में मेडिकल रिसर्च काउंसिल कॉग्निशन एंड ब्रेन साइंसेज यूनिट (एमआरसी सीबीएसयू) के जस्चा अचटरबर्ग और डेनियल अकरका ने अपने सहयोगियों के साथ मस्तिष्क का एक सरलीकृत संस्करण विकसित करने के लिए काम किया और इसे लागू किया। सिस्टम कार्य देने से पहले कुछ भौतिक बाधाएँ। इस तकनीक का उपयोग संभावित रूप से अधिक कुशल एआई सिस्टम विकसित करने और यहां तक कि मानव मस्तिष्क को बेहतर ढंग से समझने के लिए किया जा सकता है।
मस्तिष्क जैसी ही सीमाओं वाली एक प्रणाली विकसित करना
वास्तविक न्यूरॉन्स या मस्तिष्क कोशिकाओं का उपयोग करने के बजाय, उन्होंने कम्प्यूटेशनल नोड्स का उपयोग किया। ऐसा इसलिए है क्योंकि न्यूरॉन्स और नोड्स दोनों के कार्य समान हैं। वे दोनों एक इनपुट लेते हैं, उसे बदलते हैं और उत्पादन और आउटपुट देते हैं। इसके अलावा, एक एकल नोड या न्यूरॉन कई अन्य से जुड़ सकता है, और वे सभी जानकारी आउटपुट और इनपुट कर सकते हैं।
कम्प्यूटेशनल नोड्स की अपनी प्रणाली पर उन्होंने जो भौतिक बाधा डाली, वह मस्तिष्क में न्यूरॉन्स द्वारा अनुभव की गई बाधा के समान थी – प्रत्येक नोड को एक आभासी स्थान में एक विशिष्ट स्थान दिया गया था, और जितना दूर यह दूसरे से दूर था, उतना ही कठिन था। दोनों संवाद करने के लिए.
इस बाधा को रखने के बाद, उन्होंने सिस्टम को पूरा करने के लिए एक कार्य दिया। इस मामले में कार्य भूलभुलैया नेविगेशन कार्य का एक सरलीकृत संस्करण था जो आम तौर पर चूहों और बंदरों जैसे जानवरों को उनके मस्तिष्क का अध्ययन करते समय दिया जाता है। मूल रूप से, इसे भूलभुलैया के अंतिम बिंदु तक पहुंचने के लिए सबसे छोटा रास्ता तय करने के लिए कई जानकारी दी गई थी।
सिस्टम को शुरू में पता नहीं था कि कार्य कैसे पूरा किया जाए और गलतियाँ होती रहीं। शोधकर्ता इसे तब तक प्रतिक्रिया देते रहे जब तक कि इसने धीरे-धीरे कार्य में बेहतर होना नहीं सीख लिया। सिस्टम ने तब तक कार्य को बार-बार दोहराया जब तक उसने यह नहीं सीख लिया कि इसे सही तरीके से कैसे निष्पादित किया जाए।
जैसा कि हमने पहले उल्लेख किया था, सिस्टम पर लगाए गए अवरोध का मतलब था कि वर्चुअल स्पेस में दो नोड्स जितने दूर थे, फीडबैक के जवाब में दोनों नोड्स के बीच संबंध बनाना उतना ही मुश्किल था। यह बिल्कुल वैसा ही है जैसे मस्तिष्क में बड़ी भौतिक दूरी पर संबंध बनाना और बनाए रखना अधिक महंगा है।
जब सिस्टम ने इन कार्यों को उन बाधाओं के साथ निष्पादित किया, तो उसने उन्हीं कार्यों को हल करने के लिए वास्तविक मानव मस्तिष्क द्वारा उपयोग की जाने वाली कुछ “ट्रिक्स” का उपयोग किया। एक उदाहरण यह है कि कैसे इसने अत्यधिक जुड़े नोट्स के हब विकसित करके बाधाओं को दूर करने की कोशिश की, जो पूरे नेटवर्क में जानकारी प्रसारित करने के लिए जंक्शन के रूप में कार्य करते थे।
लेकिन जिस बात ने शोधकर्ताओं को अधिक आश्चर्यचकित किया वह यह तथ्य था कि व्यक्तिगत नोड्स का व्यवहार स्वयं बदलना शुरू हो गया। ऐसी प्रणाली होने के बजाय जहां प्रत्येक नोड भूलभुलैया कार्य की एक विशेष संपत्ति जैसे लक्ष्य स्थान या अगली पसंद को हल करता है, नोड्स ने एक “लचीली कोडिंग योजना” विकसित की।
इसका मतलब यह था कि अलग-अलग क्षणों में, भूलभुलैया के गुणों के मिश्रण के लिए नोड्स “फायरिंग” कर सकते हैं। उदाहरण के लिए, एक ही नोड विशेष स्थानों को एन्कोड करने के लिए विशेष नोड्स की आवश्यकता के बजाय भूलभुलैया के विभिन्न स्थानों को एनकोड कर सकता है। यह जटिल जानवरों के मस्तिष्क में भी देखा जाता है।
यह काफी दिलचस्प है कि इस एक साधारण बाधा ने – जो तार नोड्स को और अधिक दूर कर दिया है, उन्हें कठिन बना दिया है – कृत्रिम बुद्धिमत्ता प्रणाली को जटिल विशेषताओं को अपनाने के लिए मजबूर किया है। और ये विशेषताएँ मानव मस्तिष्क जैसी जैविक प्रणालियों द्वारा साझा की जाती हैं।
इस शोध का एक प्रमुख निहितार्थ यह है कि इसमें अधिक कुशल एआई मॉडल के विकास की अनुमति देने की क्षमता है। कई लोकप्रिय एआई सिस्टम जिन्हें हम जानते हैं, जैसे कि ओपनएआई द्वारा उपयोग की जाने वाली जेनरेटिव प्री-ट्रेंड ट्रांसफार्मर (जीपीटी) तकनीक, कंप्यूटिंग पावर (जीपीयू) और बिजली जैसे बहुत सारे संसाधनों का उपयोग करती है।
“हम एआई मॉडल बनाने के लिए अपनी अंतर्दृष्टि का उपयोग करने में काफी संभावनाएं देखते हैं, जिन्हें उनकी क्षमताओं को संरक्षित करते हुए उनकी आंतरिक संरचना में सरल बनाया जाता है, ताकि वे कंप्यूटर चिप्स पर अधिक कुशलता से चल सकें। हम यह भी सोचते हैं कि हमारे परिणाम बड़े पैमाने पर कंप्यूट क्लस्टर के भीतर कई चिप्स में बड़े एआई मॉडल को बेहतर ढंग से वितरित करने में मदद कर सकते हैं, ”अचटरबर्ग ने Indianexpress.com को एक ईमेल साक्षात्कार में बताया।
“स्थानिक रूप से एम्बेडेड एआई सिस्टम” का वर्तमान कार्यान्वयन इसके प्रभावों का अध्ययन करने के लिए एक बहुत छोटे और सरल मॉडल का उपयोग करके बनाया गया है। हालाँकि, इसे बड़े AI सिस्टम बनाने के लिए बढ़ाया जा सकता है।
जबकि Google, Amazon, Meta और IBM जैसी कई कंपनियों ने AI चिप्स, Nvidia dom भी बनाया है
